Core Concepts
提案されたSAFormerは、深層ニューラルネットワークとMean Teacherを組み合わせ、シミュレーションサンプルの構築を通じてトレーニングを容易にします。
Abstract
3Dインスタンスセグメンテーションの重要性と難しさが強調される。
現在のアプローチの問題点が指摘され、新しい手法であるBSNetが提案される。
BSNetはSAFormerと呼ばれる新しい疑似ラベラーを導入し、ScanNetV2およびS3DISデータセットで優れた性能を示す。
SAFormerはMean Teacherパラダイムを活用して高品質な疑似ラベルを生成し、LGAによって局所構造とグローバル関係を効果的にモデリングする。
Introduction
The article introduces the BSNet approach for 3D instance segmentation, emphasizing the challenges and importance of this task.
Methodology
Two-step process involving pseudo-label generation and training with SAFormer.
Simulation-assisted Transformer (SAFormer) is introduced to improve weakly supervised 3DIS results.
Local-Global Aware Attention (LGA) enhances modeling of local structures and global relationships.
Results and Comparison
Extensive experiments on ScanNetV2 and S3DIS datasets show the superiority of BSNet over existing methods.
Significant improvements in mAP, AP@50, and AP@25 compared to state-of-the-art approaches.
Stats
現在の方法では約90%の性能しか達成できなかったが、BSNetは95%の性能まで向上させた。